一种基于小样本神经网络的频率可重构天线PIN加载角度计算机辅助优化方法及系统

本发明涉及天线计算机辅助设计、频率可重构天线和人工智能辅助电磁仿真优化，尤其涉及一种基于小样本神经网络的频率可重构天线pin加载角度计算机辅助优化方法及系统。

背景技术：

1、频率可重构天线通常通过pin二极管、变容二极管、射频mems或其它可控开关改变辐射体、槽缝、寄生结构或馈电路径上的等效电流分布，从而实现工作频段切换。对于包含圆槽、寄生贴片、半圆形贴片或环形结构的频率可重构天线，pin二极管的加载位置会显著影响谐振频点、阻抗匹配和多状态频段覆盖。

2、现有设计通常依赖人工经验选取pin二极管位置，再通过cst等全波电磁仿真软件进行多轮扫参。该方式需要对候选位置反复进行全波求解；当评价目标由单一状态的谐振频点扩展为多个开关状态的合并带宽、应用频段覆盖和状态响应差异时，人工方式难以对大量角度组合进行统一、可追溯的比较，也缺少由候选筛选到完整模型验证的闭环。

3、cn105281029b《一种频率可重构天线》公开方案概括：公开了使用一个pin二极管实现两个工作频点切换的频率可重构天线，强调微带馈电、开关等效电路和不同二极管状态下的回波损耗。其局限性在于：其重点在单二极管结构和固定尺寸参数设计，未公开由单组角度扫描数据训练神经网络、自动生成双角度候选并进行六状态闭环验证的计算机辅助角度优化流程。

4、cn104157980b《可重构微带八木天线》公开方案概括：公开了中心圆形贴片和四个类半圆形寄生贴片，通过寄生贴片矩形槽缝两端开关通断切割电流以获得不同方向图。其局限性在于：该方案主要面向方向图重构和寄生贴片开关控制，并非围绕频率可重构天线的pin加载角度进行ai辅助优化。

5、cn114243279b《一种双层金属片加载的宽带多线极化可重构天线》公开方案概括：公开了上下层馈电圆片、辐射贴片和pin二极管，通过通断控制实现多种线极化可重构和宽带效果。其局限性在于：其重构目标为极化状态和宽带结构设计，未把s11仿真曲线作为训练样本，也未提出角度候选生成、综合评分和仿真闭环验证。

6、ieee/pattern ml《machine learning based design of patternreconfigurable antenna》公开方案概括：公开了机器学习辅助方向图可重构天线设计，涉及pin二极管与辐射方向图优化。其局限性在于：其主题偏方向图重构，本案限定为频率可重构天线pin加载角度的s11响应预测、双角度组合筛选以及六状态cst全波仿真验证流程。

7、springer 2025《ai modelling-based reconfigurable dual band antenna forgps and wifi applications》公开方案概括：公开了ai建模辅助的双频可重构天线，适用于gps和wifi等应用。其局限性在于：其公开点在双频天线建模与应用频段，本案强调从少量cst单组pin角度样本学习s11曲线并输出两个不同pin加载角度，技术闭环和评分指标不同。

技术实现思路

1、本发明的目的在于提供一种基于小样本神经网络的频率可重构天线pin加载角度计算机辅助优化方法及系统，在有限单组pin全波仿真样本条件下预测未仿真角度的s11响应，对双角度候选进行多目标排序，并通过完整六状态全波仿真确定满足预设设计目标的角度组合，从而减少无差别的双角度组合扫参。

2、为实现上述目的，本发明采用如下技术方案：建立单组侧边pin角度扫描模型，在中心pin导通和截止两种条件下采集不同加载角度对应的s11响应曲线；将各曲线重采样至统一频率网格，构造加载角度、中心pin状态、角度三角函数及交互项特征；对标准化后的s11曲线执行低秩分解，并训练由多个单隐藏层多层感知机组成的集成模型，以预测未仿真角度的完整s11响应；采用按角度分组的交叉验证比较多层感知机、局部线性插值和残差校正混合模型，并以折外预测残差构造局部校正量；在候选角度空间内生成满足角度不相等及最小间隔约束的双角度组合，将所述双角度分别映射至两组侧边pin，重构s0至s5六种允许开关状态的响应；根据六状态合并-10db带宽、-6db带宽、应用频段匹配分、状态响应差异度、角度间隔和模型不确定性进行综合评分；将排序靠前的候选写回完整两组侧边pin天线模型进行六状态全波仿真验证，并依据验证结果确定目标导向的pin加载角度组合。

3、与现有技术相比，本发明至少具有如下有益效果：第一，将单组pin角度扫描数据复用于双角度组合筛选，避免对全部角度对逐一进行完整六状态全波仿真；第二，利用低秩曲线表征和多个单隐藏层多层感知机的集成预测，在小样本条件下输出未仿真角度的完整s11响应及模型间差异；第三，采用按角度分组的重复交叉验证、折外残差校正和局部线性插值基线共同校核模型，降低同一角度样本跨训练集和验证集造成的数据泄漏风险，并避免仅依据训练误差夸大模型精度；第四，将-10db带宽、-6db带宽、应用频段匹配、响应差异、角度间隔和不确定性纳入统一评分，可按照不同工程目标形成平衡型、应用优先型或带宽优先型排序；第五，将候选角度写回完整模型进行s0至s5六状态全波仿真，使最终角度结论以电磁仿真结果为判据。在本实施例的0°至88°、1°步长及最小8°角度间隔条件下，共生成3321组候选角度对，实际对其中7组进行完整六状态验证；相对于逐一验证全部候选，进入完整全波验证的候选数量减少约99.79%，该比例不等同于仿真时间的等比例缩短。

1.一种基于小样本神经网络的频率可重构天线pin加载角度计算机辅助优化方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征在于，所述侧边pin二极管的端点以天线圆心为基准参数化更新，第i个端点的坐标表示为；

3.根据权利要求1所述的方法，其特征在于，所述低秩分解和神经网络集成模型包括：将n个样本在f个频率采样点处的s11幅度组成矩阵；

4.根据权利要求1或3所述的方法，其特征在于，所述交叉验证将相同加载角度下的不同中心pin状态样本分配至同一折，外层验证角度不参与对应模型的训练和残差校正库构建；对训练角度获得折外预测残差，并按照待预测角度与残差库角度的距离构造局部残差；

5.根据权利要求1所述的方法，其特征在于，所述候选角度空间的角度范围为至、角度步长为，第一加载角度与第二加载角度满足且不小于预设最小角度间隔；

6.根据权利要求1或5所述的方法，其特征在于，所述综合评分由归一化的应用频段匹配分、六状态合并的-10db带宽、六状态合并的-6db带宽、响应差异度、角度间隔和模型不确定性构成，按照计算平衡型评分；

7.根据权利要求6所述的方法，其特征在于，所述应用频段匹配分表示为；

8.根据权利要求1或7所述的方法，其特征在于，将候选角度组合写回完整天线几何模型后，对s0至s5分别执行全波电磁仿真，获得每一状态的s11曲线、连续阈值带宽及谐振频率；以所述全波电磁仿真结果替换相应状态的神经网络预测值，剔除未达到预设应用频段匹配阈值的候选组合，并在剩余候选组合中按照六状态合并带宽、应用频段匹配分、响应差异度及不确定性惩罚的预设优先级确定最终pin加载角度组合；当预测结果与全波仿真结果的偏差超过预设容差时，将对应角度或其邻域角度加入补充仿真样本集并更新训练数据。

9.一种基于小样本神经网络的频率可重构天线pin加载角度计算机辅助优化系统，其特征在于，包括仿真数据采集与管理模块、数据预处理与特征构建模块、双角度候选生成模块、多指标评价与排序模块、cst闭环验证模块、优化结果输出模块；所述各模块被配置为执行权利要求1至8任一项所述的方法。

10.一种电子设备，包括处理器和存储器，其特征在于，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使所述电子设备执行权利要求1至8任一项所述的方法。